我的问题是关于更快的R-CNN的实施。
我阅读了论文并且正在浏览config.py文件是由算法的作者编写的，可以在这里找到：https://github.com/rbgirshick/py-faster-rcnn/blob/master/lib/fast_rcnn/config.py
我完全无法理解为什么我们需要BBOX_INSIDE_WEIGHTS（在第84行提到）和RPN_POSITIVE_WEIGHT（第124行提到）？
在其他一些实现中，我还看到了锚点掩码（第659行），锚点回归权重和锚点回归掩码，可在此处获取：https://github.com/DeepRNN/object_detection/blob/master/model.py
有人可以给出简单易行的答案，这些参数是什么以及为什么我们真正需要它们？
答案 0 :(得分：1)
在更快的RCNN中，您有一个RPN（区域提案网络），它是模型的一部分，并且使用全网络进行培训
RPN的作用是建议物体被认为是图像中的边界框。
对于图像中的每个位置，RPN尝试拟合k个预定义的＆＃34;锚点中的每一个＆＃34;并且对于它们中的每一个，它给出了4个参数，这些参数定义了相对于锚点的边界框提议，以及对象在边界框内的概率的2个概率分数。
如果框具有不同的宽高比和比例，则锚点是预定义的集合。
如果我们在第359行和第360行的code查看代码，我们可以看到＆＃34;锚屏蔽＆＃34;用于使用真正的回归锚定义图像中的区域。这是因为在Fast-RCNN的损失函数的定义中，我们仅针对正锚来计算回归的损失。
同样适用于＆＃34; anchor_reg_masks＆＃34;从第362行可以看出。
术语＆＃34; anchor_weights＆＃34;用于标准化loos0项。在第359行之后，如果我们从中计算损失，则损失0对于不在掩模中的位置没有损失，我们将得到偏差结果。 ＆＃34; anchor_weights＆＃34;规范化loss0仅从真正的锚点计算。